CN116152252A - 电镜图像处理方法、设备及计算机可读存储介质 - Google Patents
电镜图像处理方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116152252A CN116152252A CN202310428670.2A CN202310428670A CN116152252A CN 116152252 A CN116152252 A CN 116152252A CN 202310428670 A CN202310428670 A CN 202310428670A CN 116152252 A CN116152252 A CN 116152252A
- Authority
- CN
- China
- Prior art keywords
- area
- region
- target communication
- electron microscope
- active
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本公开提供一种电镜图像处理方法、设备及计算机可读存储介质,属于半导体技术领域。该方法包括:分割电镜图像以获得电镜图像中的连通区域;确定连通区域中对应有源区域的目标连通区域;获得目标连通区域的面积;根据目标连通区域的面积确定有源区域是否异常。本公开通过目标连通区域的面积确定有源区域是否异常,对存在异常的情况,及时改善,避免对后续制程产生影响,从而提高半导体的制造良率。
Description
技术领域
本公开涉及半导体技术领域,具体而言,涉及一种电镜图像处理方法、计算机设备及计算机可读存储介质。
背景技术
在半导体技术领域中,物理失效分析(Physical Failure Analysis,PFA)是增强半导体工艺和提高产品良率的重要方法。PFA实验室会拍摄各种场景的电镜图像(也可称之为电镜切片图像),通过电镜切片图像来分析产品是否符合要求。例如,通过电镜切片图像来分析半导体结构的有源区(Active area,AA)是否符合要求,AA结构的头部做的过大或过小都会导致AA结构接触面不足,从而引发AA结构导电性能变差,甚至出现失效单元(FailBit,FB),因此监测AA结构的面积尤其重要。
发明内容
本公开的目的在于提供一种电镜图像处理方法、设备及计算机可读存储介质,能够提高半导体产品的制造良率。
本公开实施例提供了一种电镜图像处理方法,所述电镜图像中包括半导体结构的有源区域。该方法包括:分割所述电镜图像以获得所述电镜图像中的连通区域;确定所述连通区域中对应所述有源区域的目标连通区域;获得所述目标连通区域的面积;根据所述目标连通区域的面积确定所述有源区域是否异常。
本公开实施例提供了一种电镜图像处理装置,所述电镜图像中包括半导体结构的有源区域。该装置包括:分割模块,用于分割所述电镜图像以获得所述电镜图像中的连通区域;确定模块,用于确定所述连通区域中对应所述有源区域的目标连通区域;获得模块,用于获得所述目标连通区域的面积;异常判断模块,用于根据所述目标连通区域的面积确定所述有源区域是否异常。
根据本公开的另一个方面,提供一种计算机设备,包括一个或多个处理器;存储器,配置为存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述计算机设备实现本公开任一实施例中的电镜图像处理方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序适于由处理器加载并执行,以使得具有所述处理器的计算机设备执行本公开任一实施例中的电镜图像处理方法。
根据本公开的又一个方面,提供一种计算机程序产品,该计算机程序被处理器执行时实现本公开任一实施例中的电镜图像处理方法。
本公开一些实施例所提供的电镜图像处理方法,通过分割电镜图像以获得电镜图像中的连通区域,在获取到的连通区域中确定与有源区域对应的目标连通区域,再获得目标连通区域的面积,根据目标连通区域的面积确定有源区域是否异常,对存在异常的情况,及时改善,避免对后续制程产生影响,从而可以提高半导体的制造良率。
附图说明
图1示出了本公开实施例提供的一种晶圆的结构示意图。
图2示出了本公开实施例提供的AA结构示意图。
图3示出了本公开实施例提供的电镜图像处理系统。
图4示出本公开一实施例中电镜图像处理方法的流程图。
图5示出本公开一实施例中AA结构的切面图。
图6示出本公开一实施例中AA结构的电镜图像。
图7示出本公开实施例中最小外接矩形的示意图。
图8示出本公开实施例中闭合曲线轮廓的示意图。
图9示出本公开实施例中头部有源区域和中间有源区域的分布示意图。
图10示出本公开实施例中预处理后的电镜图像。
图11示出本公开实施例中旋转倾斜角度后的电镜图像。
图12示出本公开实施例中AA结构的区域的示意图。
图13示出本公开实施例中目标连通区域的示意图。
图14示出本公开实施例中第一目标连通区域和第二目标连通区域的示意图。
图15示出本公开实施例中目标连通区域面积计算结果示意图。
图16示出本公开实施例中一种电镜图像处理装置示意图。
图17示出本公开实施例中一种计算机设备的结构示意图。
图18示出本公开实施例中一种计算机可读存储介质示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”,其中“多个”是指两个或两个以上。
半导体制造工艺可以划分为前段制程和后段制程。前段制程是针对整片晶圆(Wafer)的工序,其可以包括晶圆制造和晶圆测试(测试对象是针对整片Wafer中的每一个Die(晶粒),目的是确保整片Wafer中的每一个Die都能基本满足器件的特征或者设计规格书,可以包括电压、电流、时序和功能等的验证)。其中,图1示出了本公开实施例提供的一种晶圆的结构示意图。如图1所示,晶圆(Wafer)10上可以包括多个Die 11。后段制程是对由晶圆分划片封装后的一个个芯片入手的各项工序,其可以包括封装、最终测试和成品入库等各道工序。
诸如动态随机存储器(Dynamic Random Access Memory,简称:DRAM)等半导体器件,半导体器件的结构包括衬底,衬底包括存储阵列区和外围电路区。示例性的,存储阵列区的衬底中包括浅槽隔离结构和多个有源区,多个有源区呈阵列排布,浅槽隔离结构位于相邻有源区之间,以隔离相邻有源区。每个有源区可包括一个或两个晶体管。例如,每个有源区包括两个并列排布的晶体管,两个晶体管的漏极共用,并且可与同一位线相连。其中一个晶体管的源极与一个电容器相连,另一个晶体管的源极与另外一个电容器相连。如图2所示,在衬底中形成沿第一方向(X方向)延伸并在第二方向(Y方向)上间隔分布的多个字线(Word Line)21,字线21穿过有源区(Active Area,简称AA)22。在下面的图像处理过程中,字线21和有源区22在电镜图像上形成的区域分别称之为字线区域和有源区域。从图2可以看出,相邻的两根字线21穿过同一个有源区22时,将同一个有源区22划分为三段,在后续的电镜图像中,将有源区 22两端的部分称之为头部有源区域(221,222),处于两端之间的部分称之为中间有源区域223。晶体管的源极与电容接触结构(Node Contact,NC)23的一端接触,电容接触结构23沿第三方向(Z方向)延伸,电容接触结构23的另一端与电容器(Storage/Capacitor)24连接,位线(Bit Line)25沿第二方向延伸,并且与沿第二方向并列排布的多个晶体管的漏极接触。
随着半导体工艺的提高,对产品形状、尺寸的精度把控越来越高,PFA实验室会拍摄各种场景的电镜切片图像,例如,在有源区监测的场景中,有源区头部是作为与电容接触结构连接的源极区域,在后段制程中电容接触结构有统一的尺寸,若有源区过小则无法与电容接触结构进行有效接触,从而导致大接触电阻;若有源区过大可能会出现与相邻有源区过近的问题,可能出现短路等情况。由此可知,有源区结构的头部做的过大或过小都会引发有源区结构导电性能变差,甚至出现失效单元,因此监测有源区的面积尤其重要。
对于PFA实验室产生的电镜图像,不同场景由于光照和切片方向影响,导致很多场景通过人眼很难判断监测位置,且其中有源区结构的有源区难以通过人工监测,对分析产品的稳定性造成一定困难。
基于此,本公开实施例提供了电镜图像处理方法、设备及计算机可读存储介质,可以应用于半导体监测场景中,示例性地,可以应用于有源区面积监测的具体场景中,还可以用于其他区域的监测,对此不作具体限定。在本公开实施例中,本公开通过目标连通区域的面积确定有源区域是否异常,对存在异常的情况,及时改善,避免对后续制程产生影响,从而提高半导体的制造良率。
为了便于整体理解本公开实施例提供的技术方案,接下来先对本公开实施例提供的电镜图像处理系统进行说明。如图3所示,电镜图像处理系统包括图像采集装置31和控制器32,其中,图像采集装置31可以用于采集有源区结构的电镜图像,并将获取的电镜图像发送给控制器32。控制器32分割电镜图像以获得电镜图像中的连通区域,确定连通区域中对应有源区域的目标连通区域,控制器32还可以获得目标连通区域的面积,根据目标连通区域的面积确定有源区域是否异常。
其中,图像采集装置31可以是扫描电子显微镜(scanningelectronmicroscope,SEM),还可以是其他可以实现上述功能的图像采集装置。控制器可以为自动测试设备(Automatic Test Equipment,ATE),还可以是具有图像处理功能的其他处理设备。
本公开实施例中提供了一种电镜图像处理方法,该方法可以由任意具备计算处理能力的电子设备执行。
图4示出本公开实施例中一种电镜图像处理方法流程图,电镜图像中包括半导体结构的有源区域,如图4所示,本公开实施例中提供的电镜图像处理方法可以包括如下S401至S404。
S401,分割电镜图像以获得电镜图像中的连通区域。
其中,连通区域为电镜图像上形成闭合图形的区域。连通区域可以是完整的或部分的有源区,也可以是完整的或部分的字线区域,还可以是其他闭合的区域。
在示例性实施例中,分割电镜图像以获得电镜图像中的连通区域,可以包括:分割电镜图像以获得有源区域对应的连通区域。
关于如何分割电镜图像,本公开实施例不做限定。示例性的,可以通过OSTU阈值分割算法对电镜图像进行分割,OSTU又称阈值法,其是基于图像的灰度特征来计算一个灰度阈值,并将图像中每个像素的灰度值与该灰度阈值相比较,最后将像素根据比较结果分到合适的类别中。例如,通过OSTU计算出连通区域的阈值,然后对该区域二值化,根据阈值将图像中的像素点分为两类,通过不断的调整阈值之后,若此时两类之间存在最大的类间方差,那么此阈值即为最佳方差,通过最佳方差对应的阈值对电镜图像进行分割,可以提高分割的准确度。示例性的,还可以通过边缘检测算法(Canny)对电镜图像进行分割,边缘是指图像中两个不同区域的边界线上连续的像素点的集合,是图像局部特征不连续性的反映,体现了灰度、颜色、纹理等图像特性的突变。基于边缘的分割方法可以采用基于灰度值的边缘检测。例如,根据灰度值分割出的图形有字线区域和有源区区域。
S402,确定连通区域中对应有源区域的目标连通区域。
目标连通区域可以是完整的有源区域,也可以是有源区域的一部分。如图5所示的有源区结构的电镜图像,51用于指示头部有源区域,52用于指示中间有源区域,53用于指示字线区域。一个完整的有源区域被两个字线分割成三部分,即将一个完整的有源区域分割成两个头部有源区域51和一个中间有源区域52。图5中,两个头部有源区域51和一个中间有源区域52对应的是目标连通区域。需要说明的是,由于字线区域53遮挡住部分有源区域,一个完整的有源区域的面积大于两个头部有源区域51和一个中间有源区域52的面积之和。
S403,获得目标连通区域的面积。
关于如何获得目标连通区域的面积,本公开实施例对此不做限制,例如,通过对目标连通区域进行面积拟合的方法来获取目标连通区域的面积。再例如,通过目标连通区域的像素点来计算面积。
需要说明的是,目标连通区域的形状可以是规则图形,也可以是不规则图形。
S404,根据目标连通区域的面积确定有源区域是否异常。
本公开实施例可以通过目标连通区域的面积与设定的面积阈值范围进行对比来确定是否异常。例如,面积阈值范围的两个端点值分别为最大面积值和最小面积值。目标连通区域的面积位于面积阈值范围内,则目标连通区域正常;若目标连通区域的面积大于最大面积值或小于最小面积值,则目标连通区域异常。通过上述方法可以确定有源区域是否异常,但本公并不限于此。
本公开通过目标连通区域的面积确定有源区域是否异常,对存在异常的情况,及时改善,避免对后续制程产生影响,从而提高半导体的制造良率。
在示例性实施例中,电镜图像中还可以包括半导体结构的字线区域。其中,分割电镜图像以获得电镜图像中的连通区域,可以包括:分割电镜图像以获得字线区域和有源区域对应的连通区域,字线区域可以将有源区域划分为头部有源区域和中间有源区域。例如,如图6所示,51用于指示头部有源区域,52用于指示中间有源区域,53用于指示字线区域,头部有源区域51、中间有源区域52和字线区域53均为连通区域,图5中的头部有源区域51和中间有源区域52均为有源区域对应的连通区域。通过分割电镜图像以获得有源区域对应的连通区域(头部有源区域51和中间有源区域52)以及字线区域对应的连通区域(字线区域53)。
上述示例性实施例对电镜图像中的连通区域进行分割,便于在分割出来的连通区域中快速识别出目标连通区域。
在示例性实施例中,确定连通区域中对应有源区域的目标连通区域,可以包括如下步骤S1和步骤S2。
步骤S1,分别获得字线区域和有源区域对应的连通区域的最小外接矩形属性。
其中,最小外接矩形属性可以包括连通区域的最小外接矩形的长度、面积、周长等中的至少一项。如图7所示,71用于指示有源区域,72用于指示有源区域72的最小外接矩形。由于有源区域被分割为头部有源区域和中间有源区域,可针对头部有源区域和中间有源区域分别获取最小外接矩形属性。
步骤S2,根据最小外接矩形属性从字线区域和有源区域对应的连通区域中确定目标连通区域。
在一示例性实施例中,根据最小外接矩形属性从字线区域和有源区域对应的连通区域中确定目标连通区域,可以包括以下中的至少一项。
第一项,将最小外接矩形的长度小于长度阈值的连通区域确定为目标连通区域。
其中,长度阈值可以为第一预设值,该第一预设值可以根据实际监测情况和实际需要进行调整。由于字线区域为长条形,通常具有比有源区域更大的最小外接矩形的长度,可以通过最小外接矩形的长度区分字线区域和有源区域。示例性的,第一预设值为50nm,当连通区域的最小外接矩形的长度小于50nm时,连通区域为目标连通区域;当连通区域的最小外接矩形的长度大于或等于50nm时,连通区域为非目标连通区域。
第二项,将最小外接矩形的面积小于面积阈值的连通区域确定为目标连通区域。
其中,面积阈值可以为第二预设值,该第二预设值也可以根据实际监测情况和实际需要进行调整。由于字线区域为长条形,通常具有比有源区域更大的最小外接矩形的面积,可以通过最小外接矩形的面积区分字线区域和有源区域。示例性的,第二预设值为500nm2,当连通区域的最小外接矩形的面积小于500nm2时,连通区域为目标连通区域。当连通区域的最小外接矩形的面积大于或等于500nm2时,连通区域为非目标连通区域。
第三项,将最小外接矩形的周长小于周长阈值的连通区域确定为目标连通区域。
其中,周长阈值可以为第三预设值,该第三预设值可以根据实际监测情况和实际需要进行调整。由于字线区域为长条形,通常具有比有源区域更大的最小外接矩形的周长,可以通过最小外接矩形的周长区分字线区域和有源区域。示例性的,第三预设值为100nm,当连通区域的最小外接矩形的周长小于100nm时,连通区域为目标连通区域;当连通区域的最小外接矩形的周长大于或等于100nm时,连通区域为非目标连通区域。
结合图6可知,字线区域53对应的连通区域的最小外接矩形的面积、长和周长均大于头部有源区域51和中间有源区域52对应的连通区域的最小外接矩形的面积、长度和周长,因此可以通过设置面积阈值、长度阈值和周长阈值来区分字线区域和有源区域对应的连通区域。
第四项,将最小外接矩形的面积大于第一面积阈值且小于或等于第二面积阈值的连通区域确定为目标连通区域。
其中,第一面积阈值和第二面积阈值分别为预设的第四预设值和第五预设值。第四预设值和第五预设值可以根据实际监测情况和实际需要进行调整。示例性的,第四预设值为199nm2,第五预设值为1000nm2,当连通区域的最小外接矩形的面积大于199nm2且小于或等于1000nm2时,连通区域为目标连通区域;当连通区域的最小外接矩形的面积小于或等于1000nm2或者连通区域的最小外接矩形的面积大于1000nm2时,连通区域为非目标连通区域。
在另一示例性实施例中,由于字线区域、头部有源区域和中间有源区域各自对应的连通区域的形状和/或面积大小具有较大差异,也可以采用图像分类的方式确定连通区域中对应有源区域的目标连通区域。例如,可以利用训练好的卷积神经网络,或者采用聚类算法对连通区域进行分类,从分类结果中确定出目标连通区域。
本公开实施例通过最小外接矩形属性确定目标连通区域,可以准确快速地确定出目标连通区域。
在示例性实施例中,获得目标连通区域的面积,可以包括如下步骤B1至步骤B3。
步骤B1,获得目标连通区域对应的闭合曲线轮廓在目标坐标上的第一端点和第二端点。可以理解的是,目标坐标可以是横坐标,也可以是纵坐标。
示例性的,获得目标连通区域对应的闭合曲线轮廓在目标坐标上的第一端点和第二端点,可以包括:获得闭合曲线轮廓在目标坐标上的最小值和最大值;根据最小值确定第一端点,并根据最大值确定第二端点。
如图8所示,图中的闭合曲线为目标连通区域,闭合曲线轮廓在目标坐标上的第一端点和第二端点分别为P1和P2。其中,P1的横坐标为闭合曲线中所有横坐标中的最小值,P2的横坐标为闭合曲线中所有横坐标中的最大值,确定出P1和P2便于将闭合曲线轮廓划分为两部分。
步骤B2,根据第一端点和第二端点将闭合曲线轮廓划分为第一曲线和第二曲线。
如图8所示,连接在第一端点P1和第二端点P2之间的横线将闭合曲线轮廓划分为第一曲线L1和第二曲线L2。
步骤B3,根据第一曲线和第二曲线的线积分之差获得目标连通区域的面积。
通过定积分可以计算出目标连通区域的面积。对于一个给定的实函数f(x),在区域[a,b]上的定积分记为如下公式1所示。
其中,f(x)为实函数,x为自变量,[a,b]为自变量x的取值范围,若f(x)在[a,b]上恒为正,为定积分,该定积分可以理解为在Oxy坐标平面上,由曲线/>、直线x=a、x=b以及x轴围成的面积值。
由此可知,如图8所示,计算目标连通区域的面积如下公式2所示。
其中,为目标连通区域的面积,P为目标连通区域的曲线拟合函数,表示第一曲线L1的实函数,/>表示第一曲线L1的自变量x对应的因变量y,/>表示第二曲线L2的实函数,/>表示第二曲线L2的自变量x对应的因变量y。
示例性的,计算目标连通区域的面积的步骤如下:
a.在闭合曲线轮廓上提取N个轮廓点,N为大于1的正整数,可以用矩阵表示,矩阵共有N行,2列,第0列为x,第1列为y,需要说明的是,x,y是轮廓点对应的横坐标和纵坐标,x在区间[a,b]中取值,a和b均为大于或等于0的实数。
b.遍历当前N个轮廓点上的所有点,比较所有点的x坐标。可以通过冒泡算法来遍历N个轮廓点上的所有点,也可以通过希尔排序来遍历N个轮廓点上的所有点,但本公开并不限定于此。
c.找到最小的x坐标值Min_x(P1的横坐标)和最大的x坐标值Max_x(P2的横坐标)。
d.通过Min_x,Max_x在轮廓点形成的矩阵中搜索对应的y,求出两侧端点P1和P2的坐标。
e.将闭合曲线轮廓根据P1和P2之间的连线截断,分成曲线L1和曲线L2。
f.通过定积分计算目标连通区域的面积,即在区间[a,b]内L1与L2的线积分之差。
示例性的,可以通过遍历y坐标确定出轮廓点纵坐标的最大值Max_y和最小值Min_y,找到Max_y和Min_y对应的轮廓点P3和P4,通过P3和P4将闭合曲线轮廓划分成第三曲线和第四曲线,沿y轴方向进行定积分,原理同上述示例性实施例,从而计算出目标连通区域的面积。
本公开实施例通过在目标连通区域对应的闭合曲线轮廓确定出目标坐标上的最小值和最大值,利用定积分来计算目标连通区域的面积,便于根据目标连通区域的面积来确定有源区是否满足要求。由于目标连通区域可能是不规则的图形,通过定积分来计算不规则的目标连通区域的面积,准确度高。
在示例性实施例中,电镜图像中还可以包括半导体结构的字线区域,字线区域将有源区域划分为头部有源区域和中间有源区域。目标连通区域可以包括头部有源区域对应的第一目标连通区域和中间有源区域对应的第二目标连通区域。其中,获得目标连通区域的面积,可以包括如下步骤C1和步骤C2。
步骤C1,标识所述目标连通区域中的第一目标连通区域和第二目标连通区域。
关于如何标识第一目标连通区域和第二目标连通区域,本公开实施例对此不做限定,例如,通过第一目标连通区域和第二目标连通区域之间不同的区别特征来进行区分,区分后对第一目标连通区域和第二目标连通区域进行标识。可以通过机器学习模型或聚类模型训练学习该区别特征,在通过训练好的机器学习模型或聚类模型来区分并标识第一目标连通区域和第二目标连通区域。再例如,利用有源区域图形分布规则来区分并标识第一目标连通区域和第二目标连通区域。
需要说明的是,区别特征可以为第一目标连通区域和第二目标连通区域的周长,尖端个数,尖端角度,相邻图形类型,相邻图形距离等中的至少一个。通过区别特征来标识第一目标连通区域和第二目标连通区域,以便在有源区结构出现破损异变的情况下也能准确划分出第一目标连通区域和第二目标连通区域。
步骤C2,分别获得第一目标连通区域的第一面积和第二目标连通区域的第二面积。
可以通过定积分来计算第一面积和第二面积,关于如何通过定积分来计算第一面积和第二面积,已在上述步骤B3中说明,在此不再赘述。
本公开实施例通过第一目标连通区域的第一面积和第二目标连通区域的第二面积,确定有源区域是否异常,对存在异常的情况,及时改善,避免对后续制程产生影响,从而提高半导体的制造良率,还可以节约生产成本。
下面对区分第一目标连通区域和第二目标连通区域进行举例说明。
在一示例性实施例中,标识所述目标连通区域中的第一目标连通区域和第二目标连通区域,可以包括获得半导体结构中的有源区域图形分布规则;根据有源区域图形分布规则分别标识所述目标连通区域中的第一目标连通区域和第二目标连通区域。
其中,有源区域图形分布规则包括以下中的至少一项。
第一项,有源区域的延伸方向与字线区域的延伸方向之间具有预定角度。
需要说明的是,本公开实施例中的有源区域的延伸方向是指有源区域整体的延伸方向,而不是被分割之后的头部有源区域或中间有源区域的延伸方向。如图9所示,图9中椭圆圈住的部分为一个完整的有源区域,一个完整的有源区域包括两个第一目标连通区域(头部有源区域)51和一个第二目标连通区域(中间有源区域)52,图9中穿过有源区域的实线用于指示有源区域的延伸方向,虚线用于指示字线区域53的延伸方向,由图9可以看出,有源区域的延伸方向与字线区域的延伸方向之间具有预定角度。示例性的,预定角度为60°-90°,但本公开并不限定于此,该预定角度可以根据具体的工艺需求进行设置。
第二项,沿字线区域的延伸方向,头部有源区域和中间有源区域按预定规律排布。
示例性的,如图9所示,沿完整的有源区域的延伸方向,两个头部有源区域51之间分布有一个中间有源区域52,且头部有源区域51与中间有源区域52之间分布有一个字线区域,通过该分布规律,区分出第一目标连通区域和第二目标连通区域。
第三项,中间有源区域具有预定数量的尖端。
示例性的,如图9所示,中间有源区域具有4个尖端,通过识别尖端的数量,区分出第一目标连通区域和第二目标连通区域。
本公开实施例通过区分出第一目标连通区域和第二目标连通区域,便于根据第一目标连通区域和第二目标连通区域的面积确定头部有源区域或/和中间有源区域是否异常,对存在异常的情况,及时改善,避免对后续制程产生影响,从而提高半导体的制造良率,还可以节约生产成本。
在另一示例性实施例中,区分第一目标连通区域和第二目标连通区域,可以包括:利用训练后的机器学习模型或聚类模型识别第一目标连通区域和第二目标连通区域。
关于机器学习模型具体为何,以及聚类模型具体为何,本公开对此不做限定,只要是能够实现区分出第一目标连通区域和第二目标连通区域的机器学习模型或聚类模型均可。例如,机器学习模型可以是卷积神经网络模型,其通过对目标区域(即第一目标连通区域和第二目标连通区域)和背景区域(除第一目标连通区域和第二目标连通区域以外的区域)做特征学习以寻找不同类别的差异进行分类。再例如,基于K-Means聚类算法,通过分类对象的颜色、纹理等特征进行聚类,通过不同类别的颜色,纹理不同辨识不同的类别以达到分类的目的。
本公开实施例通过机器学习模型或聚类模型区分出第一目标连通区域和第二目标连通区域,便于根据第一目标连通区域和第二目标连通区域的面积确定头部有源区域或/和中间有源区域是否异常,对存在异常的情况,及时改善,避免对后续制程产生影响,从而提高半导体的制造良率,还可以节约生产成本。
下面对如何确定有源区域异常进行说明。
在示例性实施例中,根据目标连通区域的面积确定有源区域是否异常,可以包括以下中的至少一项:
第一项,获得第一面积的第一统计值,并获得第二面积的第二统计值;比较第一阈值与第一统计值,并比较第二阈值与第二统计值,以判断有源区域是否异常。
其中,第一阈值和第二阈值分别为第六预设值和第七预设值,通过比较第一阈值与第一统计值,并比较第二阈值与第二统计值来判断有源区域是否异常。例如,若第一面积的第一统计值大于第六预设值,且第二面积的第二统计值大于第七预设值,则有源区域存在异常。第一面积的第一统计值可以包括计算各个第一面积的平均值、最大值、最小值、中值、方差等中的至少一种。第二面积的第二统计值可以包括计算各个第二面积的平均值、最大值、最小值、中值、方差等中的至少一种。
第二项,获得第一面积和第二面积的面积之和,比较面积之和与预定面积范围,以判断有源区域是否异常。
其中,预定面积范围可以为预设的面积范围值,其可以根据工艺需要进行调整。示例性的,预定面积范围为500nm2~800nm2,当第一面积和第二面积的面积之和小于500nm2,或者,第一面积和第二面积的面积之和大于800nm2时,则有源区域存在异常。实际情况中可以根据工艺环境缩小预定面积范围提高判断精度。
第三项,比较第一面积与第一预定面积范围,以判断有源区域是否异常。
其中,第一预定面积范围可以为预设的面积范围值,其可以根据工艺需要进行调整。示例性的,预定面积范围为100nm2~300nm2,当第一面积小于100nm2,或者,第一面积大于300nm2时,则第一目标连通区域存在异常。实际情况中可以根据工艺环境缩小预定面积范围提高判断精度。
第四项,比较第二面积与第二预定面积范围,以判断有源区域是否异常。
其中,第二预定面积范围可以为预设的面积范围值,其可以根据工艺需要进行调整。示例性的,预定面积范围为200nm2~400nm2,当第二面积小于200nm2,或者,第二面积大于400nm2时,则第二目标连通区域存在异常。
需要说明的是,还可以通过计算有源区域面积的平均值、方差等,分析有源区域接触面的导电性能,防止有源区域接触面不足而漏电。
本公开通过目标连通区域的面积确定有源区域是否异常,对存在异常的情况,及时改善,避免对后续制程产生影响,从而提高半导体的制造良率,还可以节约生产成本。
在示例性实施例中,分割电镜图像以获得电镜图像中的连通区域,可以包括如下步骤D1和步骤D2。
步骤D1,对电镜图像进行预处理,获得预处理之后的增强电镜图像,预处理包括以下中的至少一种:图像灰度直方图均衡化、伽马变换拉伸图像对比度、图像去噪、图像取反。
需要说明的是,由于字线区域与有源区域的灰度值接近,从而导致分割难度大,且分割精确度低。图10为对电镜图像进行预处理后的电镜图像,可以看出经过预处理后的电镜图像中的有源区域和字线区域的灰度值差异较大。对电镜图像进行预处理可以增加辨识度。
步骤D2,对增强电镜图像进行分割处理,获得连通区域,分割处理采用以下中的至少一种:基于阈值的分割算法、基于边缘的分割算法。
其中,基于阈值的分割算法可以采用OSTU方法,基于边缘的分割算法可以采用Canny算法。
本公开实施例通过对电镜图像进行预处理,增加了有源区域和字线区域的辨识度,以解决字线区域和有源区域的灰度值接近分割难度大,且分割精确度低的问题。
在示例性实施例中,连通区域包括字线区域对应的连通区域。其中,在区分第一目标连通区域和第二目标连通区域之前,该方法还可以包括:获得字线区域对应的连通区域的最小外接矩形;获得字线区域对应的连通区域的最小外接矩形相对于电镜图像的倾斜角度,根据倾斜角度旋转电镜图像。
示例性的,如图11所示,将电镜图像旋转校正,可以使字线区域处于水平状态,便于搜索有源区结构的区域。还便于建立二维坐标系,进而更高效计算目标连通区域的面积。图11实施例中,还可以从旋转校正后的电镜图像中确定感兴趣区域111,对该感兴趣区域111进行处理后,识别该感兴趣区域111内的有源区结构的面积是否异常,通过指定感兴趣区域111,可以减少计算量。可以理解的是,本公开实施例中也可以对整个电镜图像内的有源区结构的面积是否异常进行识别,即不需要指定感兴趣区域111。对电镜图像旋转校正后,对电镜图像进行分割,提取二值化结果,例如,将连通区域用白色像素点表示,连通区域以外的区域用黑色像素点表示,二值化结果如图12所示的有源区结构的区域。
示例性的,在有源区结构的区域可以通过上述最小外接矩形属性确定连通区域中对应所述有源区域的目标连通区域(头部有源区域和中间有源区域),如图13,白色区域为目标连通区域。
示例性的,如图14所示,可以根据有源区域图形分布规则区分第一目标连通区域141和第二目标连通区域142。还可以利用训练后的机器学习模型或聚类模型识别第一目标连通区域141和第二目标连通区域142,第一目标连通区域141和第二目标连通区域142的区分结果如图14所示。再提取第一目标连通区域141和第二目标连通区域142的轮廓线(闭合曲线轮廓),对闭合曲线轮廓进行分割,得到第一曲线和第二曲线,对第一曲线和第二曲线进行线性拟合得到用于表示第一曲线和第二曲线的函数。通过对第一曲线和第二曲线进行定积分计算第一目标连通区域141的第一面积和第二目标连通区域142的第二面积,计算结果如图15所示,A1至A20用于表示各个第一目标连通区域141的面积计算结果,B1至B9用于表示各个第二目标连通区域142的面积计算结果。
本公开实施例通过对电镜图像进行旋转,从而使字线区域处于水平状态,便于对有源区域进行快速且准确地识别,从而可以实现实时性监测。对存在异常的情况,及时改善,避免对后续制程产生影响,从而提高半导体的制造良率,还可以节约生产成本。
基于同一发明构思,本公开实施例中还提供了一种电镜图像处理装置,如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图16示出本公开实施例中一种电镜图像处理装置示意图,电镜图像中包括半导体结构的有源区域,如图16所示,该装置可以包括分割模块161、确定模块162、获得模块163和异常判断模块164。分割模块161可以用于分割电镜图像以获得电镜图像中的连通区域。确定模块162可以用于确定连通区域中对应有源区域的目标连通区域。获得模块163可以用于获得目标连通区域的面积。异常判断模块164可以用于根据目标连通区域的面积确定有源区域是否异常。
在一个实施例中,电镜图像中还包括半导体结构的字线区域。分割模块161还可以用于分割电镜图像以获得字线区域和有源区域对应的连通区域。确定模块162还可以用于分别获得字线区域和有源区域对应的连通区域的最小外接矩形属性;根据最小外接矩形属性从字线区域和有源区域对应的连通区域中确定目标连通区域。
在一个实施例中,最小外接矩形属性包括连通区域的最小外接矩形的长度、面积、周长中的至少一项。确定模块162还可以用于以下中的至少一项:将最小外接矩形的长度小于长度阈值的连通区域确定为目标连通区域;将最小外接矩形的面积小于面积阈值的连通区域确定为目标连通区域;将最小外接矩形的周长小于周长阈值的连通区域确定为目标连通区域。
在一个实施例中,获得模块163还可以用于获得目标连通区域对应的闭合曲线轮廓在目标坐标上的第一端点和第二端点;根据第一端点和第二端点将闭合曲线轮廓划分为第一曲线和第二曲线;根据第一曲线和第二曲线的线积分之差获得目标连通区域的面积。
在一个实施例中,获得模块163还可以用于获得闭合曲线轮廓在目标坐标上的最小值和最大值;根据最小值确定第一端点,并根据最大值确定第二端点。
在一个实施例中,电镜图像中还包括半导体结构的字线区域,字线区域将有源区域划分为头部有源区域和中间有源区域;目标连通区域包括头部有源区域对应的第一目标连通区域和中间有源区域对应的第二目标连通区域。获得模块163还可以用于标识目标连通区域中的第一目标连通区域和第二目标连通区域;分别获得第一目标连通区域的第一面积和第二目标连通区域的第二面积。
在一个实施例中,获得模块163还可以用于获得半导体结构中的有源区域图形分布规则;根据有源区域图形分布规则分别标识目标连通区域中的第一目标连通区域和第二目标连通区域。有源区域图形分布规则包括以下中的至少一项:有源区域的延伸方向与字线区域的延伸方向之间具有预定角度;沿字线区域的延伸方向,头部有源区域和中间有源区域按预定规律排布;中间有源区域具有预定数量的尖端。
在一个实施例中,获得模块163还可以用于利用训练后的机器学习模型或聚类模型识别第一目标连通区域和第二目标连通区域。
在一个实施例中,异常判断模块164还可以用于以下中的至少一项:获得第一面积的第一统计值,并获得第二面积的第二统计值;比较第一阈值与第一统计值,并比较第二阈值与第二统计值,以判断有源区域是否异常;获得第一面积和第二面积的面积之和,比较面积之和与预定面积范围,以判断有源区域是否异常;比较第一面积与第一预定面积范围,以判断有源区域是否异常;比较第二面积与第二预定面积范围,以判断有源区域是否异常。
在一个实施例中,连通区域包括字线区域对应的连通区域。确定模块162还可以用于获得字线区域对应的连通区域的最小外接矩形;获得字线区域对应的连通区域的最小外接矩形相对于电镜图像的倾斜角度;根据倾斜角度旋转电镜图像。
在一个实施例中,分割模块161还可以用于对电镜图像进行预处理,获得预处理之后的增强电镜图像,预处理包括以下中的至少一种:图像灰度直方图均衡化、伽马变换拉伸图像对比度、图像去噪、图像取反;对增强电镜图像进行分割处理,获得连通区域,分割处理采用以下中的至少一种:基于阈值的分割算法、基于边缘的分割算法。
本公开实施例的电镜图像处理装置通过目标连通区域的面积确定有源区域是否异常,对存在异常的情况,及时改善,避免对后续制程产生影响,从而提高半导体的制造良率,还可以节约生产成本。
参见图17,图17是本公开实施例提供的一种计算机设备的结构示意图。如图17所示,本公开实施例中的计算机设备可以包括:一个或多个处理器1701、存储器1702和输入输出接口1703。该处理器1701、存储器1702和输入输出接口1703通过总线1704连接。存储器1702用于存储计算机程序,该计算机程序包括程序指令,输入输出接口1703用于接收数据及输出数据,如用于宿主机与计算机设备之间进行数据交互,或者用于在宿主机中的各个虚拟机之间进行数据交互;处理器1701用于执行存储器1702存储的程序指令。
其中,该处理器1701可以执行如下操作:分割所述电镜图像以获得所述电镜图像中的连通区域;确定所述连通区域中对应所述有源区域的目标连通区域;获得所述目标连通区域的面积;根据所述目标连通区域的面积确定所述有源区域是否异常。
该存储器1702可以包括只读存储器和随机存取存储器,并向处理器1701和输入输出接口1703提供指令和数据。存储器1702的一部分还可以包括非易失性随机存取存储器。具体实现中,该计算机设备可通过其内置的各个功能模块执行如上述任一方法实施例中各个步骤所提供的实现方式,具体可参见上述方法实施例所示图中各个步骤所提供的实现方式,在此不再赘述。
本公开实施例通过提供一种计算机设备,包括:处理器、输入输出接口、存储器,通过处理器获取存储器中的计算机程序,执行上述任一实施例中所示方法的各个步骤。
本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,图18示出本公开实施例中一种计算机可读存储介质示意图,如图18所示,该计算机可读存储介质1800上存储有能够实现本公开上述方法的程序产品。该计算机程序适于由该处理器加载并执行上述任一实施例中各个步骤所提供的电镜图像处理方法。
本公开实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述任一实施例中的各种可选方式中所提供的方法。
Claims (12)
1.一种电镜图像处理方法,其特征在于,所述电镜图像中包括半导体结构的有源区域;其中,所述方法包括:
分割所述电镜图像以获得所述电镜图像中的连通区域;
确定所述连通区域中对应所述有源区域的目标连通区域;
获得所述目标连通区域的面积;
根据所述目标连通区域的面积确定所述有源区域是否异常。
2.根据权利要求1所述的方法,其特征在于,所述电镜图像中还包括所述半导体结构的字线区域;
其中,分割所述电镜图像以获得所述电镜图像中的连通区域,包括:
分割所述电镜图像以获得所述字线区域和所述有源区域对应的连通区域;
确定所述连通区域中对应所述有源区域的目标连通区域,包括:
分别获得所述字线区域和所述有源区域对应的连通区域的最小外接矩形属性;
根据所述最小外接矩形属性从所述字线区域和所述有源区域对应的连通区域中确定所述目标连通区域。
3.根据权利要求2所述的方法,其特征在于,所述最小外接矩形属性包括所述连通区域的最小外接矩形的长度、面积、周长中的至少一项;
其中,根据所述最小外接矩形属性从所述字线区域和所述有源区域对应的连通区域中确定所述目标连通区域,包括以下中的至少一项:
将最小外接矩形的长度小于长度阈值的连通区域确定为所述目标连通区域;
将最小外接矩形的面积小于面积阈值的连通区域确定为所述目标连通区域;
将最小外接矩形的周长小于周长阈值的连通区域确定为所述目标连通区域。
4.根据权利要求1-3任一项所述的方法,其特征在于,获得所述目标连通区域的面积,包括:
获得所述目标连通区域对应的闭合曲线轮廓在目标坐标上的第一端点和第二端点;
根据所述第一端点和所述第二端点将所述闭合曲线轮廓划分为第一曲线和第二曲线;
根据所述第一曲线和所述第二曲线的线积分之差获得所述目标连通区域的面积。
5.根据权利要求4所述的方法,其特征在于,获得所述目标连通区域对应的闭合曲线轮廓在目标坐标上的第一端点和第二端点,包括:
获得所述闭合曲线轮廓在所述目标坐标上的最小值和最大值;
根据所述最小值确定所述第一端点,并根据所述最大值确定所述第二端点。
6.根据权利要求1-3任一项所述的方法,其特征在于,所述电镜图像中还包括所述半导体结构的字线区域,所述字线区域将所述有源区域划分为头部有源区域和中间有源区域;
所述目标连通区域包括所述头部有源区域对应的第一目标连通区域和所述中间有源区域对应的第二目标连通区域;
其中,获得所述目标连通区域的面积,包括:
标识所述目标连通区域中的所述第一目标连通区域和所述第二目标连通区域;
分别获得所述第一目标连通区域的第一面积和所述第二目标连通区域的第二面积。
7.根据权利要求6所述的方法,其特征在于,标识所述目标连通区域中的所述第一目标连通区域和所述第二目标连通区域,包括:
获得所述半导体结构中的有源区域图形分布规则;
根据所述有源区域图形分布规则分别标识所述目标连通区域中的所述第一目标连通区域和所述第二目标连通区域;
所述有源区域图形分布规则包括以下中的至少一项:
所述有源区域的延伸方向与所述字线区域的延伸方向之间具有预定角度;
沿所述字线区域的延伸方向,所述头部有源区域和所述中间有源区域按预定规律排布;
所述中间有源区域具有预定数量的尖端。
8.根据权利要求6所述的方法,其特征在于,根据所述目标连通区域的面积确定所述有源区域是否异常,包括以下中的至少一项:
获得所述第一面积的第一统计值,并获得所述第二面积的第二统计值,比较第一阈值与第一统计值,并比较第二阈值与所述第二统计值,以判断所述有源区域是否异常;
获得所述第一面积和所述第二面积的面积之和,比较所述面积之和与预定面积范围,以判断所述有源区域是否异常;
比较所述第一面积与第一预定面积范围,以判断所述有源区域是否异常;
比较所述第二面积与第二预定面积范围,以判断所述有源区域是否异常。
9.根据权利要求6所述的方法,其特征在于,所述连通区域包括所述字线区域对应的连通区域;
其中,在区分所述第一目标连通区域和所述第二目标连通区域之前,所述方法还包括:
获得所述字线区域对应的连通区域的最小外接矩形;
获得所述字线区域对应的连通区域的最小外接矩形相对于所述电镜图像的倾斜角度;
根据所述倾斜角度旋转所述电镜图像。
10.根据权利要求1-3任一项所述的方法,其特征在于,分割所述电镜图像以获得所述电镜图像中的连通区域,包括:
对所述电镜图像进行预处理,获得预处理之后的增强电镜图像,所述预处理包括以下中的至少一种:图像灰度直方图均衡化、伽马变换拉伸图像对比度、图像去噪、图像取反;
对所述增强电镜图像进行分割处理,获得所述连通区域,所述分割处理采用以下中的至少一种:基于阈值的分割算法、基于边缘的分割算法。
11.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器,配置为存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述计算机设备实现根据权利要求1至10任一项所述的方法。
12.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,当所述计算机程序在计算机上运行时,使得所述计算机执行根据权利要求1至10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310428670.2A CN116152252B (zh) | 2023-04-20 | 2023-04-20 | 电镜图像处理方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310428670.2A CN116152252B (zh) | 2023-04-20 | 2023-04-20 | 电镜图像处理方法、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152252A true CN116152252A (zh) | 2023-05-23 |
CN116152252B CN116152252B (zh) | 2023-09-08 |
Family
ID=86362229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310428670.2A Active CN116152252B (zh) | 2023-04-20 | 2023-04-20 | 电镜图像处理方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152252B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06295995A (ja) * | 1993-02-12 | 1994-10-21 | Matsushita Electric Ind Co Ltd | 半導体装置及びその製造方法 |
KR20070069854A (ko) * | 2005-12-28 | 2007-07-03 | 동부일렉트로닉스 주식회사 | 반도체소자의 웰 접합간 누설 측정 방법 |
US20090196490A1 (en) * | 2008-02-06 | 2009-08-06 | Fujitsu Microelectronics Limited | Defect inspection method and defect inspection apparatus |
CN103745475A (zh) * | 2014-01-22 | 2014-04-23 | 哈尔滨工业大学 | 一种用于球形引脚元件的检测与定位方法 |
WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
US20180350060A1 (en) * | 2017-05-31 | 2018-12-06 | Keyence Corporation | Image Inspection Apparatus |
CN109946586A (zh) * | 2019-02-12 | 2019-06-28 | 长江存储科技有限责任公司 | 芯片电连接缺陷的检测方法 |
US20190213733A1 (en) * | 2018-01-05 | 2019-07-11 | Kla-Tencor Corporation | Defect discovery using electron beam inspection and deep learning with real-time intelligence to reduce nuisance |
US20200191859A1 (en) * | 2018-12-12 | 2020-06-18 | Shanghai Huali Integrated Circuit Mfg. Co., Ltd. | Failure positioning method |
CN111524181A (zh) * | 2020-04-28 | 2020-08-11 | 陕西科技大学 | 一种基于扫描电镜图像分割的多孔材料孔洞自动测量方法 |
CN111599810A (zh) * | 2019-02-20 | 2020-08-28 | 华邦电子股份有限公司 | 动态随机存取存储器及其制造方法 |
CN112464829A (zh) * | 2020-12-01 | 2021-03-09 | 中航航空电子有限公司 | 一种瞳孔定位方法、设备、存储介质及视线追踪系统 |
CN113140292A (zh) * | 2021-05-12 | 2021-07-20 | 平安国际智慧城市科技股份有限公司 | 图像异常区域浏览方法、装置、移动端设备及存储介质 |
CN114141641A (zh) * | 2020-09-04 | 2022-03-04 | 长鑫存储技术有限公司 | 半导体器件及其制作方法 |
WO2022148192A1 (zh) * | 2021-01-07 | 2022-07-14 | 新东方教育科技集团有限公司 | 图像处理方法、图像处理装置以及非瞬时性存储介质 |
CN115036274A (zh) * | 2022-06-10 | 2022-09-09 | 长鑫存储技术有限公司 | 半导体结构的制造方法和半导体结构 |
-
2023
- 2023-04-20 CN CN202310428670.2A patent/CN116152252B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06295995A (ja) * | 1993-02-12 | 1994-10-21 | Matsushita Electric Ind Co Ltd | 半導体装置及びその製造方法 |
KR20070069854A (ko) * | 2005-12-28 | 2007-07-03 | 동부일렉트로닉스 주식회사 | 반도체소자의 웰 접합간 누설 측정 방법 |
US20090196490A1 (en) * | 2008-02-06 | 2009-08-06 | Fujitsu Microelectronics Limited | Defect inspection method and defect inspection apparatus |
CN103745475A (zh) * | 2014-01-22 | 2014-04-23 | 哈尔滨工业大学 | 一种用于球形引脚元件的检测与定位方法 |
WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
US20180350060A1 (en) * | 2017-05-31 | 2018-12-06 | Keyence Corporation | Image Inspection Apparatus |
CN111542915A (zh) * | 2018-01-05 | 2020-08-14 | 科磊股份有限公司 | 使用电子束检验及具有实时情报的深度学习以减少妨害的缺陷探索 |
US20190213733A1 (en) * | 2018-01-05 | 2019-07-11 | Kla-Tencor Corporation | Defect discovery using electron beam inspection and deep learning with real-time intelligence to reduce nuisance |
US20200191859A1 (en) * | 2018-12-12 | 2020-06-18 | Shanghai Huali Integrated Circuit Mfg. Co., Ltd. | Failure positioning method |
CN109946586A (zh) * | 2019-02-12 | 2019-06-28 | 长江存储科技有限责任公司 | 芯片电连接缺陷的检测方法 |
CN111599810A (zh) * | 2019-02-20 | 2020-08-28 | 华邦电子股份有限公司 | 动态随机存取存储器及其制造方法 |
CN111524181A (zh) * | 2020-04-28 | 2020-08-11 | 陕西科技大学 | 一种基于扫描电镜图像分割的多孔材料孔洞自动测量方法 |
CN114141641A (zh) * | 2020-09-04 | 2022-03-04 | 长鑫存储技术有限公司 | 半导体器件及其制作方法 |
CN112464829A (zh) * | 2020-12-01 | 2021-03-09 | 中航航空电子有限公司 | 一种瞳孔定位方法、设备、存储介质及视线追踪系统 |
WO2022148192A1 (zh) * | 2021-01-07 | 2022-07-14 | 新东方教育科技集团有限公司 | 图像处理方法、图像处理装置以及非瞬时性存储介质 |
CN113140292A (zh) * | 2021-05-12 | 2021-07-20 | 平安国际智慧城市科技股份有限公司 | 图像异常区域浏览方法、装置、移动端设备及存储介质 |
CN115036274A (zh) * | 2022-06-10 | 2022-09-09 | 长鑫存储技术有限公司 | 半导体结构的制造方法和半导体结构 |
Non-Patent Citations (2)
Title |
---|
刘毅;郑学仁;王亚南;梁志明;: "MATLAB在TFT-LCD屏显示MURA缺陷检测的应用", 液晶与显示, no. 06, pages 731 - 736 * |
王永顺;陈占林;汪再兴;: "埋栅结构静电感应晶体管耐压容量与I-V特性的改善", 固体电子学研究与进展, no. 03, pages 252 - 256 * |
Also Published As
Publication number | Publication date |
---|---|
CN116152252B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860670B (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
CN109753914B (zh) | 一种基于深度学习的车牌字符识别方法 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN109839385B (zh) | 一种自适应的pcb板缺陷视觉定位检测及分类系统 | |
CN112419297A (zh) | 一种螺栓松动检测方法、装置、设备及存储介质 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN116611748B (zh) | 一种钛合金家具生产质量监控系统 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN115100199B (zh) | 一种晶圆低纹理缺陷的检测方法 | |
CN111126253A (zh) | 基于图像识别的刀闸状态检测方法 | |
CN113436212A (zh) | 一种断路器静触头齿合状态图像检测内轮廓的提取方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN114022483B (zh) | 一种基于边缘特性的注塑飞边区域识别方法 | |
Sovetkin et al. | Automatic processing and solar cell detection in photovoltaic electroluminescence images | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN111257329A (zh) | 一种智能手机摄像头缺陷检测方法以及检测系统 | |
CN111242957A (zh) | 一种数据处理方法、装置及计算机存储介质和电子设备 | |
US11068740B2 (en) | Particle boundary identification | |
CN111221996B (zh) | 仪表屏幕视觉检测方法和系统 | |
CN117576100B (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
CN116152252B (zh) | 电镜图像处理方法、设备及计算机可读存储介质 | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
CN115690104B (zh) | 一种晶圆裂缝检测方法、装置及存储介质 | |
CN112907510B (zh) | 一种表面缺陷检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |